以任务驱动的人工智能技术通过感知环境、做出决策并采取行动以实现特定目标，跟传统的数据驱动或模型驱动的统计方法论有着本质区别，体现在解决问题的思维路径是不一样的。但是目前统计学在任务驱动的机器学习领域上缺少一套完整的统计框架和理论。本次报告将要介绍任务驱动统计学习的数学模型，基于这套理论发现并证明了若干悖论：“独立+独立=不独立”，“好的+坏的=更好”，“正态+正态=非正态”，这些悖论的科学意义在于：传统数据驱动下的统计方法论在实现任务驱动的目标已受限。因此，我们开创了“策略极限理论”，用以阐释任务驱动机器学习最优决策序列下的统计规律，并命名此方向为“智能体统计学”或“任务驱动统计学”。另外，本次报告从统计估计和统计检验这两个个科学问题出发，阐述策略极限理论的数学理论逻辑和统计结果的优势，并通过“滴滴”和“华为”两个业务场景的应用，强调“任务驱动统计思维”下建立的模型所具有的独特优势。 |